馮學(xué)曉，歐群雍，李軍丹

（鄭州工業(yè)應(yīng)用技術(shù)學(xué)院 信息工程學(xué)院，鄭州 451150）

0 引言

隨著現(xiàn)代制造業(yè)水平的逐漸提高，各種智能零件的疲勞損傷事故層出不窮。所以，研究機(jī)器零件疲勞裂紋檢測(cè)，具有十分重要的意義。裂紋的產(chǎn)生時(shí)間和位置以及裂紋發(fā)展的過程是判斷機(jī)械零件性能的一項(xiàng)重要指標(biāo)，當(dāng)前已有的機(jī)器零件疲勞裂紋檢測(cè)主要通過人工定期巡查完成，整體檢測(cè)過程具有一定的間歇性，工人經(jīng)過長(zhǎng)時(shí)間的工作，十分疲勞，經(jīng)常出現(xiàn)漏檢和錯(cuò)檢的情況。

已有的機(jī)器零件疲勞裂紋檢測(cè)系統(tǒng)目前仍然局限于特殊的零件形式，應(yīng)用范圍十分有效。國(guó)內(nèi)相關(guān)專家給出了一些較好的缺陷檢測(cè)系統(tǒng)研究成果，例如趙春溢等人[1]設(shè)計(jì)針對(duì)風(fēng)機(jī)葉片缺陷檢測(cè)的系統(tǒng)，以無人機(jī)為飛行載體完成自動(dòng)巡檢，同時(shí)利用圖像分割以及缺陷檢測(cè)完成缺陷檢測(cè)系統(tǒng)設(shè)計(jì)。王猛等人[2]以變壓器模塊缺陷檢測(cè)為目標(biāo)，通過CCD相機(jī)采集元件圖像，同時(shí)展開濾波處理，通過閾值分割以及Blob分析方法提取缺陷特征，最終完成缺陷檢測(cè)。李忠海等人[3]優(yōu)先采集圖像，將圖像人工標(biāo)注處理，采用緊湊型卷積神經(jīng)網(wǎng)絡(luò)（CNN）將分割結(jié)果分類處理，完成鋼軌表面缺陷識(shí)別和分類，進(jìn)而構(gòu)建鋼軌表面缺陷檢測(cè)系統(tǒng)。

上述的缺陷檢測(cè)系統(tǒng)均是以圖像處理為基礎(chǔ)展開，很好的避免圖像采集過程中成像距離以及動(dòng)態(tài)模糊等因素對(duì)缺陷位置檢測(cè)精度造成干擾，但是，以人工智能為基礎(chǔ)的檢測(cè)方法缺少對(duì)疲勞特征的統(tǒng)一描述，選取的可識(shí)別特征無法適應(yīng)復(fù)雜環(huán)境。本文提出并設(shè)計(jì)基于圖像梯度信息的機(jī)器零件疲勞裂紋檢測(cè)方法。

1 疲勞裂紋紋理梯度特征的選取

圖像是機(jī)器零件疲勞裂紋智能檢測(cè)的重要載體，圖像選取特征對(duì)檢測(cè)結(jié)果的準(zhǔn)確性產(chǎn)生影響，因此圖像選取的特征是決定檢測(cè)穩(wěn)定性和可靠性的關(guān)鍵因素。所以，提升機(jī)器零件圖像特征的可識(shí)別性和適應(yīng)性是十分重要的。另外，還需要降低外界光對(duì)機(jī)器零件疲勞裂紋檢測(cè)系統(tǒng)的干擾，想要得到高質(zhì)量的機(jī)械零件圖像，硬件的合理設(shè)計(jì)就顯得十分重要。

當(dāng)前主要采用主動(dòng)式照明模型對(duì)機(jī)器零件疲勞裂紋進(jìn)行輔助特征采集，具體的組成結(jié)構(gòu)如圖1所示。

圖1 主動(dòng)式照明模型結(jié)構(gòu)

打光設(shè)備需要提前固定在未檢測(cè)的機(jī)械零件表面，圖像表面會(huì)產(chǎn)生漫反射或者鏡面反射，其中一部分光會(huì)直接進(jìn)入到相機(jī)中，系統(tǒng)內(nèi)的成像器件會(huì)自動(dòng)接收這一部分光，進(jìn)而形成被檢測(cè)圖像。沒有產(chǎn)生疲勞裂紋的機(jī)械零件表面灰度以及紋理過于自然，對(duì)光的漫反射或者鏡面反射具有一致性；假設(shè)存在疲勞裂紋，則一致性會(huì)被中斷，同時(shí)還會(huì)導(dǎo)致漫反射和鏡面反射兩者存在明顯差異。另外，如果兩者的取值過大，會(huì)影響后續(xù)檢測(cè)結(jié)果的準(zhǔn)確性，所以選擇合理的打光設(shè)備是十分重要的。

針對(duì)機(jī)器零件疲勞裂紋檢測(cè)系統(tǒng)而言，高質(zhì)量的圖像可識(shí)別特征需要滿足以下要求：

1）為了突出疲勞裂紋檢測(cè)目標(biāo)，需要根據(jù)機(jī)械零件特性設(shè)計(jì)照明方案，確保得到的圖像特征與背景是均勻區(qū)分的。

2）圖像特征與周圍的分辨率差異，也是一項(xiàng)十分重要的指標(biāo)，如果分辨率差異沒有達(dá)到設(shè)定要求，就無法完成后續(xù)的檢測(cè)工作。

通過上述分析，分別疲勞裂紋紋理梯度特征是必然選擇這一方面，展開詳細(xì)的討論和研究：

照明方案下疲勞裂紋紋理梯度特征選取的必然性：

打光的主要目的是降低無利用價(jià)值信息產(chǎn)生的影響，有效突出感興趣區(qū)域的相關(guān)特征，全面提升機(jī)械零件圖像質(zhì)量。疲勞裂紋紋理梯度特征在打光設(shè)備下，在以下幾方面的有明顯優(yōu)勢(shì)：

1）疲勞裂紋紋理梯度特征對(duì)比度更強(qiáng)：

對(duì)被檢測(cè)物體打光是為了有效提升機(jī)械零件圖像的疲勞裂紋對(duì)比度和背景對(duì)比度，有效將疲勞裂紋紋理梯度特征突顯出來，疲勞裂紋紋理梯度特征滿足這一要求。

2）均勻性：

疲勞裂紋紋理梯度特征在光照不均勻下，其特征也是均勻粉筆的，不會(huì)給后期機(jī)械零件圖像處理帶來的困難，所以可以確保圖像特征的均勻性這一要求。

3）亮度：

一般的特征如果亮度如果過大，會(huì)導(dǎo)致圖像缺陷部分被淹沒；如果亮度過小，缺陷特征不會(huì)十分明顯，導(dǎo)致打光操作喪失本來的意義，但是，疲勞裂紋紋理梯度特征幾乎不受亮度特征影響，也是其成為待識(shí)別特征的至關(guān)重要因素。

4）穩(wěn)定性：

疲勞裂紋紋理梯度特征在設(shè)定時(shí)間范圍內(nèi)，可以保持穩(wěn)定的可識(shí)別狀態(tài)，不存在特征衰減問題。

通過分析和對(duì)比可知，疲勞裂紋紋理梯度特征的綜合性能最佳，同時(shí)也可以滿足實(shí)際應(yīng)用需求，不僅具有可識(shí)別性高等特點(diǎn)，同時(shí)也不會(huì)因?yàn)殚L(zhǎng)時(shí)間的使用導(dǎo)致特征發(fā)生改變。

2 疲勞裂紋紋理梯度特征檢測(cè)方法設(shè)計(jì)

2.1 去噪方法設(shè)計(jì)與實(shí)現(xiàn)

在選取了疲勞裂紋紋理梯度特征作為識(shí)別特征后，首先需要設(shè)定閾值，對(duì)圖像完成去噪過程[4，5]，選取合適的閾值至關(guān)重要。

假設(shè)選擇的閾值比較大，則大量有利用價(jià)值的信號(hào)會(huì)被舍棄；假設(shè)選擇的閾值比較小，則無法更好去除機(jī)械零件圖像中的噪聲。為了有效解決上述問題，需要引入當(dāng)前系數(shù)和對(duì)應(yīng)的父系數(shù)乘積作為關(guān)聯(lián)系數(shù)，將關(guān)聯(lián)系數(shù)取值大小作為系數(shù)舍取的重要依據(jù)。

設(shè)定d(i，j)代表高頻系數(shù)；c(i，j)代表規(guī)格為3×3的鄰域窗口，則全部高頻系數(shù)的平方和可以表示為式(1)的形式：

通過上述操作可以將子代作為處理單元，假設(shè)當(dāng)前高頻系數(shù)在機(jī)械零件圖像子帶邊緣，則對(duì)應(yīng)的鄰居系數(shù)一定會(huì)逾越邊界。為了避免上述情況發(fā)生，通過子帶內(nèi)距離函數(shù)替換圖像距離最近系數(shù)。

閾值的選取是一個(gè)博弈過程，閾值策略的最大目標(biāo)為：對(duì)于噪聲系數(shù)而言，需要選擇取值較大的閾值，這樣可以獲取更加理想的去噪結(jié)果。

以下給出詳細(xì)的基于自適應(yīng)閾值去噪的機(jī)械零件圖像去噪步驟，如圖2所示。

圖2 機(jī)械零件圖像去噪處理流程圖

去噪的具體步驟如下：

1）對(duì)含噪圖像展開Contourlet變換。

2）計(jì)算自適應(yīng)閾值。

3）判斷自適應(yīng)閾值是否大于Contourlet系數(shù)的平方，如果是，則直接進(jìn)行步驟4）；反之，則跳轉(zhuǎn)至步驟7）。

4）假設(shè)當(dāng)前Contourlet系數(shù)的父系數(shù)不存在，則跳轉(zhuǎn)至步驟7）；反之，則直接執(zhí)行步驟5）。

5）計(jì)算關(guān)聯(lián)系數(shù)。

6）確定Contourlet系數(shù)的取值范圍。

7）將鄰域窗口滑動(dòng)至下一個(gè)Contourlet系數(shù)，同時(shí)重復(fù)步驟2）～步驟6），直至完成全部Contourlet系數(shù)的處理。

8）通過低頻Contourlet系數(shù)和處理之后的高頻Contourlet系數(shù)實(shí)行逆變換處理，重構(gòu)原始機(jī)械零件圖像，最終達(dá)到機(jī)械圖像去噪的目的。

2.2 疲勞裂紋紋理梯度特征識(shí)別

在機(jī)械零件圖像處理過程中，通過圖像梯度信息可以有效反映機(jī)械零件圖像的邊緣信息，同時(shí)還可以獲取機(jī)械零件的外觀以及形狀特征變化情況。機(jī)械零件圖像特征提取的詳細(xì)操作流程如圖3所示。

圖3 機(jī)械零件圖像梯度信息提取流程圖

1）機(jī)械零件圖像顏色歸一化處理：

在實(shí)際研究過程中，由于檢測(cè)環(huán)境不同，所以目標(biāo)圖像對(duì)應(yīng)的光照條件也會(huì)存在十分明顯的差異。對(duì)機(jī)械零件圖像中顏色歸一化處理的主要目的就是將光照以及背景等因素對(duì)圖像質(zhì)量產(chǎn)生的影響下調(diào)至最低。當(dāng)機(jī)械零件圖像的局部特征發(fā)生突變，會(huì)產(chǎn)生圖像邊緣；當(dāng)圖像中相鄰像素的變化越小，則圖像區(qū)域變化越明顯，得到的梯度幅值也會(huì)隨之下降。

模擬圖像n(x，y)中任意像素點(diǎn)(x，y)的梯度計(jì)算公式如式(1)所示。

式(1)中，Hx和Hy分別代表在x和y方向的梯度；(a，b)代表圖像梯度幅值對(duì)應(yīng)的坐標(biāo)位置；?代表梯度方向角；f代表常數(shù)。

2）計(jì)算單元的梯度直方圖：

將目標(biāo)窗口劃分為多個(gè)大小相同的單元，同時(shí)分別計(jì)算不同單元對(duì)應(yīng)的梯度信息H(x，y)，對(duì)應(yīng)的計(jì)算式如式(2)所示。

3）重疊塊直方圖歸一化處理：

分析機(jī)械零件圖像梯度計(jì)算公式可知，圖像梯度幅值的絕對(duì)值取值大小會(huì)直接對(duì)圖像的前景和背景對(duì)比度產(chǎn)生影響，同時(shí)還會(huì)導(dǎo)致檢測(cè)結(jié)果不準(zhǔn)確等問題的產(chǎn)生。

4）提取機(jī)械零件圖像梯度信息：

場(chǎng)景理解是計(jì)算機(jī)視覺中一項(xiàng)十分重要的任務(wù)，對(duì)于圖像而言，需要將圖像分層思想引入圖像理解系統(tǒng)中，通過機(jī)械零件圖像中的空間模型以及目標(biāo)各個(gè)部件之間的位置信息相關(guān)距離函數(shù)完成圖像理解。在圖像分層結(jié)構(gòu)中，不同層分別代表不同類型的圖像信息，則整幅圖像中的目標(biāo)裂紋I(z)可以表示為式(3)的形式：

式(3)中，went、vent和door分別代表不同類型的機(jī)械零件圖像信息。

通過上述分析，將各個(gè)目標(biāo)的復(fù)合實(shí)體位置提取出來，同時(shí)組建機(jī)械零件特征數(shù)據(jù)庫，同時(shí)將提取到的圖像梯度信息輸入到已經(jīng)完成訓(xùn)練的分類器中，最終達(dá)到機(jī)器零件疲勞裂紋檢測(cè)的目的。

4 實(shí)驗(yàn)設(shè)計(jì)與分析

為了驗(yàn)證所提基于圖像梯度信息的機(jī)器零件疲勞裂紋檢測(cè)系統(tǒng)的有效性，采用圖4所示的檢測(cè)平臺(tái)進(jìn)行實(shí)驗(yàn)驗(yàn)證。

圖4 檢測(cè)平臺(tái)

通過本文系統(tǒng)、文獻(xiàn)[2]系統(tǒng)、文獻(xiàn)[3]系統(tǒng)對(duì)機(jī)器零件疲勞裂紋進(jìn)行檢測(cè)，詳細(xì)的實(shí)驗(yàn)測(cè)試結(jié)果如圖5所示。

圖5 機(jī)械零件疲勞裂紋檢測(cè)結(jié)果對(duì)比

分析圖5中的實(shí)驗(yàn)圖像裂紋檢測(cè)結(jié)果可知，本文系統(tǒng)可以準(zhǔn)確檢測(cè)機(jī)械零件疲勞裂紋，而另外兩種檢測(cè)系統(tǒng)只可以檢測(cè)到局部疲勞裂紋。由此可見，所提系統(tǒng)具有較高的機(jī)械零件疲勞裂紋檢測(cè)結(jié)果。

隨機(jī)選取100幅圖像作為測(cè)試樣本，分別選取誤檢率以及漏檢率作為測(cè)試指標(biāo)，三種檢測(cè)系統(tǒng)的詳細(xì)實(shí)驗(yàn)測(cè)試結(jié)果如圖6和圖7所示。

圖6 誤檢率測(cè)試結(jié)果對(duì)比

圖7 漏檢率測(cè)試結(jié)果對(duì)比

分析圖6和圖7中的實(shí)驗(yàn)數(shù)據(jù)可知，在三種檢測(cè)系統(tǒng)中，本文檢測(cè)系統(tǒng)的誤檢率和漏檢率均低于另外兩種系統(tǒng)，說明所提系統(tǒng)可以獲取比較滿意的檢測(cè)結(jié)果。

為了進(jìn)一步驗(yàn)證本文系統(tǒng)的檢測(cè)性能，以下實(shí)驗(yàn)測(cè)試選取檢測(cè)時(shí)間作為測(cè)試指標(biāo)，詳細(xì)的測(cè)試結(jié)果如表1所示：

表1 檢測(cè)時(shí)間測(cè)試結(jié)果分析

通過表1中的實(shí)驗(yàn)數(shù)據(jù)可知，本文系統(tǒng)的機(jī)械零件疲勞裂紋檢測(cè)時(shí)間明顯低于另外兩種系統(tǒng)。由此可見，本文系統(tǒng)可以以較快的速度完成檢測(cè)，提高了檢測(cè)效率。

4 結(jié)語

針對(duì)傳統(tǒng)檢測(cè)系統(tǒng)存在的不足，設(shè)計(jì)并提出一種基于圖像梯度信息的機(jī)器零件疲勞裂紋檢測(cè)系統(tǒng)。經(jīng)大量實(shí)驗(yàn)測(cè)試證明，所提系統(tǒng)不僅可以有效降低機(jī)器零件疲勞裂紋檢測(cè)時(shí)間，同時(shí)還可以獲取高精度的檢測(cè)結(jié)果，可以獲取更加全面的疲勞裂紋特征信息。